共查询到17条相似文献,搜索用时 625 毫秒
1.
中值滤波系列算法在处理被不同密度椒盐噪声污染的细节图像和平坦图像时,降噪性能不一致。本文借鉴开关中值滤波和压缩感知的思想,提出了随机采样滤波算法去除椒盐噪声。算法以噪声检测为基础,将被椒盐噪声污染的图像分为疑似噪声像素和信号像素,随机采样仅对信号像素采样。然后,利用正交匹配追踪算法重构出被污染前的图像,替代了中值滤波对噪声像素的估计。由于随机采样滤波基于压缩感知理论,对稀疏信号的重构具有最少测量次数的条件,因此随机采样点的数量具有一定的浮动空间,表现为对噪声密度不敏感。以被不同噪声密度污染图像的纹理、平坦局部区域进行验证,实验表明,当噪声密度在一定范围内变化时,算法可以实现对噪声密度不敏感。在高密度噪声污染的情况下,相较于中值滤波系列算法,随机采样滤波算法具有更好的细节保留能力和滤波能力。对标准测试图像进行了全局滤波,不同噪声密度具有一致的滤波效果,与自适应滤波算法相比,随机采样滤波算法在处理包含密集边缘特征的区域时更具备优势。 相似文献
2.
针对带有高斯噪声和椒盐噪声两种混合噪声的红外图像,提出了一种自适应加权混合去噪算法。该算法首先通过邻域像素的灰度差值来判断像素噪声的类别,然后对高斯噪声采用自适应加权均值滤波法滤除,对椒盐噪声采用自适应加权中值滤波算法滤除。实验表明,该方法优于传统均值滤波算法和中值滤波算法,能同时消除混合噪声,并具有较好的保护图像细节的能力。 相似文献
3.
4.
提出了一种基于先检测、后滤波的椒盐噪声滤除算法.将像素值为0或255附近的像素点作为疑似噪声点,其余点为信号点.信号点不做任何处理,以保留更多的图像细节.而对于疑似噪声点,首先用改进的自适应极值中值方法进行噪声检测,并将检测结果记录在一个二值矩阵flag中,其中信号点记为1,噪声点记为0.然后根据图像像素值矩阵与flag的点积进行自适应中值滤波处理.实验结果表明,不仅对真实含噪图像处理有很强的适应性,而且对噪声密度高的图像,能在有效去除椒盐噪声的同时保护图像细节.在不同噪声率下均优于标准中值(SMF)滤波法及其一些改进方法,在噪声密度为10%~90%其峰值信噪比(PSNR)平均提高6dB. 相似文献
5.
6.
7.
8.
重点介绍了自适应中值滤波算法以及两种改进的自适应中值滤波算法.针对这3种滤波算法,对含有不同密度椒盐噪声的图像进行去噪实验.结果表明:改进算法去噪效果明显、能有效保护图像细节,PSNR保持在25 dB以上;改进算法在高密度噪声时也能得到细节较为清晰的图像,PSNR比改进前的提高17 dB以上. 相似文献
9.
10.
现有的图像椒盐噪声滤除算法缺乏对小于滤波窗口的图像细节与边缘信息的保护能力,本文提出了一种基于二次噪声检测和细节保护规则函数的图像椒盐噪声滤波算法,算法将滤噪过程分为两个阶段:噪声检测和噪声恢复阶段.在噪声检测过程中,用自适应中值原理对图像中的噪声点进行初步检测,然后通过局部模糊隶属度函数对检测出的噪声点进行二次判断,有效提高了噪声检测的准确度.在噪声恢复阶段,利用细节保护规则函数与1数据逼近的凸面代价函数来恢复噪声点.为了充分利用图像局部特征,该算法自适应地选择噪声点周围的象素点利用细节规则保护函数得到输出值,当图像噪声点的凸面代价函数值达到最小时,噪声图像得到最佳恢复.实验结果表明,本文提出的滤波算法针对椒盐噪声具有很好的细节保护与噪声滤除能力,特别是在噪声感染率高(70%以上)的情况下,算法性能优于现有的其它算法. 相似文献
11.
12.
严重椒盐噪声污染图像的非线性滤波算法 总被引:19,自引:2,他引:17
针对灰度图像的椒盐噪声滤波问题,提出一种保细节的非线性滤波算法。利用局部统计信息,首先将图像像素点粗分为信号点、可能的正噪声点和可能的负噪声点3类,建立噪声标矩阵;然后再根据噪声标记矩阵的局部统计信息,将可能的噪声点细分为信号点、噪声点和不确定点3种类别,并分别采用不同的方法进行滤波,以保留更多的图像细节。结果表明,本文算法在去噪能力、自适应性以及保留细节等方面都明显比其它4种算法强,尤其是对于噪声高度污染图像的情况。 相似文献
13.
14.
15.
为了更好地恢复被高密度椒盐噪声污染的图像,在传统的自适应中值滤波算法的基础上提出了一种改进的自适应滤波算法。该算法将3×3矩形滤波窗口内极值点视为可疑噪声点,对可疑噪声点自适应调节滤波窗口大小进一步判断是否为噪声点;将噪声点区分为低密度噪声区噪声点和高密度噪声区噪声点,并分别用改进后的中值滤波算法、自适应修正后均值滤波算法处理,信号点保持不变。仿真结果表明,该算法处理速度快并且能够有效恢复被椒盐噪声(密度达80%)污染的图像,在去噪的同时能够很好地保护图像的细节。 相似文献
16.